PHP实现抓取页面与代码解析

PHP实现抓取页面与代码解析

在做一些天气预报或者RSS订阅的程序时，往往需要抓取非本地文件，一般情况下都是利用php模拟浏览器的访问，通过http请求访问url地址， 然后得到html源代码或者xml数据，得到数据我们不能直接输出，往往需要对内容进行提取，然后再进行格式化，以更加友好的方式显现出来。
一、 PHP抓取页面的主要方法：
1. file()函数
2. file_get_contents()函数
3. fopen()->fread()->fclose()模式
4.curl方式
5. fsockopen()函数 socket模式
6. 使用插件(如：http://sourceforge.net/projects/snoopy/)
二、PHP解析html或xml代码主要方式：
1. 正则表达式    2. PHP DOMDocument对象  3. 插件(如：)
如果你对以上内容已经很了解，以下内容可以飘过……
PHP抓取页面
1. file()函数
<?php $url='http://t.qq.com'; $lines_array=file($url); $lines_string=implode('',$lines_array); echo htmlspecialchars($lines_string); ?>
2. file_get_contents()函数
使用file_get_contents和fopen必须空间开启allow_url_fopen。方法：编辑php.ini，设置 allow_url_fopen = On，allow_url_fopen关闭时fopen和file_get_contents都不能打开远程文件。
<?php $url='http://t.qq.com'; $lines_string=file_get_contents($url); echo htmlspecialchars($lines_string); ?>
3. fopen()->fread()->fclose()模式
<?php $url='http://t.qq.com'; $handle=fopen($url,"rb"); $lines_string=""; do{ $data=fread($handle,1024); if(strlen($data)==0){break;} $lines_string.=$data; }while(true); fclose($handle); echo htmlspecialchars($lines_string); ?>
4. curl方式
使用curl必须空间开启curl。方法：windows下修改php.ini，将extension=php_curl.dll前面的分号去掉，而且需 要拷贝ssleay32.dll和libeay32.dll到C:\WINDOWS\system32下；Linux下要安装curl扩展。
<?php $url='http://t.qq.com'; $ch=curl_init(); $timeout=5; curl_setopt($ch, CURLOPT_URL, $url); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout); $lines_string=curl_exec($ch); curl_close($ch); echo htmlspecialchars($lines_string); ?>
5. fsockopen()函数 socket模式
socket模式能否正确执行，也跟服务器的设置有关系，具体可以通过phpinfo查看服务器开启了哪些通信协议，比如我的本地php socket没开启http，只能使用udp测试一下了。
<?php $fp = fsockopen("udp://127.0.0.1", 13, $errno, $errstr); if (!$fp) { echo "ERROR: $errno - $errstr<br />\n"; } else { fwrite($fp, "\n"); echo fread($fp, 26); fclose($fp); } ?>
6. 插件
网上应该有比较多的插件，snoopy插件是在网上搜到的，有兴趣的可以研究一下。
PHP解析xml(html)
1. 正则表达式：
<?php $url='http://t.qq.com'; $lines_string=file_get_contents($url); eregi('<title>(.*)</title>',$lines_string,$title); echo htmlspecialchars($title[0]); ?>
2. PHP DOMDocument()对象
如果远程的html或xml存在语法错误，php在解析dom的时候会报错。
<?php $url='http://www.136web.cn'; $html=new DOMDocument(); $html->loadHTMLFile($url); $title=$html->getElementsByTagName('title'); echo $title->item(0)->nodeValue; ?>
3. 插件
本文以PHP Simple HTML DOM Parser为例，进行简单介绍，simple_html_dom的语法类似jQuery，它让php操作dom，就像使用jQuery操作dom一样的简单。
<?php $url='http://t.qq.com'; include_once('../simplehtmldom/simple_html_dom.php'); $html=file_get_html($url); $title=$html->find('title'); echo $title[0]->plaintext; ?>
当然中国人是富有创造性的，老外往往会在技术上领先，但中国人往往会在使用上更胜一筹，往往做出一些让老外不敢想的功能，比如php的远程抓取与分 析，本来是为数据的整合提供方便。但国人很喜欢这个，于是乎大量的采集站，它们本身不创造任何有价值的内容，就是靠抓取别人的网站内容，并把它据为己有。 在百度里输入“php小”关键词，suggest列表第一个就是“php小偷程序”，然后把同样的关键词放入google，哥只能笑而不语。更多问题欢迎到问答网(shenzhidao.com)提问！

摘自 网络世界无中生有